立场：破解针对边缘化社区的级联差异

基础模型的兴起为推动人工智能发展带来了巨大希望，但这种进步可能会放大现有的风险和不平等，使边缘化社区被抛在后面。在这篇立场论文中，我们讨论了针对边缘化社区的差异——性能、表征、隐私、鲁棒性、可解释性和安全性——并非孤立的问题，而是级联差异现象中相互关联的要素。我们将基础模型与传统模型进行对比，强调了其对边缘化社区加剧差异的可能性。此外，我们强调了基础模型中级联影响的独特威胁，其中相互关联的差异会引发持久的负面后果，特别是对处于边缘的人群。我们在机器学习背景下定义了边缘化社区，并探讨了差异的多面性。我们分析了这些差异的来源，从数据创建、训练和部署过程对其进行追溯，以突出复杂的技术与社会技术图景。为了缓解这一紧迫危机，我们最后提出了一系列行动呼吁，以从源头上减轻差异。